PEC4 - Análisis de Datos en R
Sefora Conti (scontico@uoc.edu) y Salomón Marquez (sblaizer@uoc.edu)
2025-06-19
- Sección 1: Contexto y objetivo del estudio
- Sección 2: Prospección y preparación de los datos
- Sección 3:
Análisis exploratorio de los datos
- 3.1 Estadística
descriptiva y visualización
- Pregunta 1: ¿Qué correlación existe entre el estadio patológico del tumor en el momento del diagnóstico y la supervivencia?
- Pregunta 2: ¿Existen diferencias significativas en la supervivencia según el tipo de cáncer gastrointestinal?
- Pregunta 3: ¿Qué diferencias en supervivencia se observan según el género y la edad de los pacientes?
- Pregunta 4: ¿Cuál es el impacto de la invasión venosa, linfática o perineural sobre la supervivencia?
- 3.2 Función personalizada y ejercicios de probabilidad
- 3.1 Estadística
descriptiva y visualización
- Sección 4: Modelos de aprendizaje automático
- Sección 5: Visualización con Shiny
- Sección 6: Conclusiones
Sección 1: Contexto y objetivo del estudio
Describe el ámbito del estudio, el objetivo general, y el conjunto de datos utilizado. Justifica por qué se eligieron esos datos y de dónde provienen. Menciona si hay restricciones de uso o privacidad.
El cáncer gastrointestinal agrupa un conjunto de neoplasias malignas y heterogeneas que afectan distintos órganos del aparato digestivo, incluyendo el tracto biliar, el estómago, el páncreas, el colon y el recto. Estas enfermedades representan una proporción significativa de la carga global del cáncer y presentan, en muchos casos, pronósticos desfavorables (1, 2). La identificación de factores clínico-patológicos que influyen en la supervivencia global de los pacientes es fundamental para mejorar la estratificación de riesgo, la toma de decisiones terapéuticas y el diseño de estrategias de seguimiento personalizadas.
En los últimos años, se han desarrollado diversos enfoques para mejorar esta predicción, incluyendo modelos in vitro (como los organoides derivados de pacientes)(3–5), modelos in vivo (por ejemplo, xenoinjertos en modelos animales)(6) y estrategias in silico(7–9). Estas últimas se apoyan en distintos tipos de datos, tales como imágenes histopatológicas(10), resonancias magnéticas(11) o información clínica, con el fin de generar herramientas que ayuden a personalizar el tratamiento oncológico.
En el presente trabajo se propone analizar un conjunto de datos clínicos disponibles públicamente a través del repositorio de TCGA (The Cancer Genome Atlas Program), con el objetivo de identificar posibles factores clínicos asociados a la supervivencia de pacientes con tumores gastrointestinales. Este análisis explorará posibles correlaciones entre variables patológicas y demográficas sobre la supervivencia global de los pacientes, con el fin de aportar evidencia que permita mejorar la estratificación de pacientes.
Los datos utilizados son de acceso libre, están anonimizados y su uso con fines académicos está permitido según las políticas del GDC Data Portal.
Bibliografía:
- M. F. Bijlsma, A. Sadanandam, P. Tan, L. Vermeulen, Molecular subtypes in cancers of the gastrointestinal tract. Nat Rev Gastroenterol Hepatol 14, 333–342 (2017).
- R. L. Siegel, K. D. Miller, H. E. Fuchs, A. Jemal, Cancer statistics, 2022. CA: A Cancer Journal for Clinicians 72, 7–33 (2022).
- J. Drost, H. Clevers, Organoids in cancer research. Nat Rev Cancer 18, 407–418 (2018).
- P. W. Nagle, J. Th. M. Plukker, C. T. Muijs, P. van Luijk, R. P. Coppes, Patient-derived tumor organoids for prediction of cancer treatment response. Seminars in Cancer Biology 53, 258–264 (2018).
- C. A. Pasch, P. F. Favreau, A. E. Yueh, C. P. Babiarz, A. A. Gillette, J. T. Sharick, M. R. Karim, K. P. Nickel, A. K. DeZeeuw, C. M. Sprackling, P. B. Emmerich, R. A. DeStefanis, R. T. Pitera, S. N. Payne, D. P. Korkos, L. Clipson, C. M. Walsh, D. Miller, E. H. Carchman, M. E. Burkard, K. K. Lemmon, K. A. Matkowskyj, M. A. Newton, I. M. Ong, M. F. Bassetti, R. J. Kimple, M. C. Skala, D. A. Deming, Patient-Derived Cancer Organoid Cultures to Predict Sensitivity to Chemotherapy and Radiation. Clinical Cancer Research 25, 5376–5387 (2019).
- E. R. Zanella, E. Grassi, L. Trusolino, Towards precision oncology with patient-derived xenografts. Nat Rev Clin Oncol 19, 719–732 (2022).
- X. Sun, B. Hu, Mathematical modeling and computational prediction of cancer drug resistance. Briefings in Bioinformatics 19, 1382–1399 (2018).
- E. J. Mucaki, J. Z. L. Zhao, D. J. Lizotte, P. K. Rogan, Predicting responses to platin chemotherapy agents with biochemically-inspired machine learning. Sig Transduct Target Ther 4, 1–12 (2019).
- C. Yang, X. Huang, Y. Li, J. Chen, Y. Lv, S. Dai, Prognosis and personalized treatment prediction in TP53-mutant hepatocellular carcinoma: an in silico strategy towards precision oncology. Briefings in Bioinformatics 22, bbaa164 (2021).
- F. Li, Y. Yang, Y. Wei, P. He, J. Chen, Z. Zheng, H. Bu, Deep learning-based predictive biomarker of pathological complete response to neoadjuvant chemotherapy from histological images in breast cancer. J Transl Med 19, 348 (2021). 11. Z. Liu, Z. Li, J. Qu, R. Zhang, X. Zhou, L. Li, K. Sun, Z. Tang, H. Jiang, H. Li, Q. Xiong, Y. Ding, X. Zhao, K. Wang, Z. Liu, J. Tian, Radiomics of Multiparametric MRI for Pretreatment Prediction of Pathologic Complete Response to Neoadjuvant Chemotherapy in Breast Cancer: A Multicenter Study. Clinical Cancer Research 25, 3538–3547 (2019).
Sección 2: Prospección y preparación de los datos
2.1 Exploración inicial del dataset
La siguiente tabla muestra una descripción general del dataset TCGA. En las siguientes secciones se muestra cómo se obtuvo esta información.
| Puntos clave | Descripción |
|---|---|
| Tipo de archivo y datos | El conjunto de datos fue importado desde un archivo .csv delimitado por punto y coma, que contiene información clínica y patológica de pacientes oncológicos. Incluye variables como edad, tipo de cáncer, presencia de invasión venosa o perineural, inestabilidad de microsatélites, y variables de seguimiento como días hasta el último contacto o la muerte. Debido a su origen combinado (diferentes fuentes clínicas dentro de TCGA), el conjunto de datos requiere un preprocesamiento considerable para hacerlo apto para el análisis. |
| Variables disponibles | Variables categóricas (por ejemplo, tipo de cáncer, sexo) y variables continuas (edad, peso, altura, etc.). |
| Dimensiones del dataset | El conjunto de datos incluye 154 variables clínicas de 1.308 pacientes de las cuáles hemos elegido 34 variables que consideramos son las más relevantes para el objetivo de nuestro estudio. |
| Detección de valores nulos | Hay 135.291 valores nulos en el conjunto de datos original y 21.007 en el nuevo conjunto de datos (con las 34 variables seleccionadas). |
| Inconsistencias | Se detectaron inconsistencias típicas en datos clínicos, como
discordancias entre el estado vital y los días de seguimiento o muerte.
Para poder calcular la supervivencia global, fue necesario crear una
nueva variable de tiempo de supervivencia (os_time)
combinando days_to_death y
days_to_last_followup, así como una variable binaria de
evento (os_event). |
# Cargar el conjunto de datos (csv)
df_TCGA <- read.csv("Combined_TCGA_Clinical_300525.csv",header=TRUE, sep = ";")
# Visualizar registros
head(df_TCGA[,1:5], n=3) #mostramos los primeros 3 registrostail(df_TCGA[,1:5], n=3) #mostramos los ultimos 3 registros# Obtener el número de variables y sus nombres
dim(df_TCGA) #dimensiones de df## [1] 1308 154names(df_TCGA) #nombres de las variables## [1] "bcr_patient_barcode"
## [2] "additional_studies"
## [3] "tumor_tissue_site"
## [4] "histological_type"
## [5] "other_dx"
## [6] "gender"
## [7] "vital_status"
## [8] "days_to_birth"
## [9] "days_to_last_known_alive"
## [10] "days_to_death"
## [11] "days_to_last_followup"
## [12] "race_list"
## [13] "tissue_source_site"
## [14] "patient_id"
## [15] "bcr_patient_uuid"
## [16] "history_of_neoadjuvant_treatment"
## [17] "informed_consent_verified"
## [18] "icd_o_3_site"
## [19] "icd_o_3_histology"
## [20] "icd_10"
## [21] "tissue_prospective_collection_indicator"
## [22] "tissue_retrospective_collection_indicator"
## [23] "days_to_initial_pathologic_diagnosis"
## [24] "age_at_initial_pathologic_diagnosis"
## [25] "year_of_initial_pathologic_diagnosis"
## [26] "person_neoplasm_cancer_status"
## [27] "ethnicity"
## [28] "weight"
## [29] "height"
## [30] "day_of_form_completion"
## [31] "month_of_form_completion"
## [32] "year_of_form_completion"
## [33] "residual_tumor"
## [34] "anatomic_neoplasm_subdivision"
## [35] "primary_lymph_node_presentation_assessment"
## [36] "lymph_node_examined_count"
## [37] "number_of_lymphnodes_positive_by_he"
## [38] "number_of_lymphnodes_positive_by_ihc"
## [39] "preoperative_pretreatment_cea_level"
## [40] "non_nodal_tumor_deposits"
## [41] "circumferential_resection_margin"
## [42] "venous_invasion"
## [43] "lymphatic_invasion"
## [44] "perineural_invasion_present"
## [45] "microsatellite_instability"
## [46] "number_of_loci_tested"
## [47] "number_of_abnormal_loci"
## [48] "kras_gene_analysis_performed"
## [49] "kras_mutation_found"
## [50] "kras_mutation_codon"
## [51] "braf_gene_analysis_performed"
## [52] "braf_gene_analysis_result"
## [53] "synchronous_colon_cancer_present"
## [54] "history_of_colon_polyps"
## [55] "colon_polyps_present"
## [56] "loss_expression_of_mismatch_repair_proteins_by_ihc"
## [57] "loss_expression_of_mismatch_repair_proteins_by_ihc_results"
## [58] "number_of_first_degree_relatives_with_cancer_diagnosis"
## [59] "radiation_therapy"
## [60] "postoperative_rx_tx"
## [61] "primary_therapy_outcome_success"
## [62] "has_new_tumor_events_information"
## [63] "has_drugs_information"
## [64] "has_radiations_information"
## [65] "has_follow_ups_information"
## [66] "project"
## [67] "stage_event_system_version"
## [68] "stage_event_clinical_stage"
## [69] "stage_event_pathologic_stage"
## [70] "stage_event_tnm_categories"
## [71] "stage_event_psa"
## [72] "stage_event_gleason_grading"
## [73] "stage_event_ann_arbor"
## [74] "stage_event_serum_markers"
## [75] "stage_event_igcccg_stage"
## [76] "stage_event_masaoka_stage"
## [77] "cancer_type"
## [78] "patient_death_reason"
## [79] "anatomic_neoplasm_subdivision_other"
## [80] "neoplasm_histologic_grade"
## [81] "country_of_procurement"
## [82] "city_of_procurement"
## [83] "reflux_history"
## [84] "antireflux_treatment"
## [85] "antireflux_treatment_types"
## [86] "barretts_esophagus"
## [87] "h_pylori_infection"
## [88] "family_history_of_stomach_cancer"
## [89] "number_of_relatives_with_stomach_cancer"
## [90] "relative_family_cancer_history"
## [91] "cancer_first_degree_relative"
## [92] "blood_relative_cancer_history_list"
## [93] "history_hepato_carcinoma_risk_factors"
## [94] "post_op_ablation_embolization_tx"
## [95] "eastern_cancer_oncology_group"
## [96] "primary_pathology_tumor_tissue_site"
## [97] "primary_pathology_histological_type"
## [98] "primary_pathology_specimen_collection_method_name"
## [99] "primary_pathology_history_prior_surgery_type_other"
## [100] "primary_pathology_days_to_initial_pathologic_diagnosis"
## [101] "primary_pathology_age_at_initial_pathologic_diagnosis"
## [102] "primary_pathology_year_of_initial_pathologic_diagnosis"
## [103] "primary_pathology_neoplasm_histologic_grade"
## [104] "primary_pathology_residual_tumor"
## [105] "primary_pathology_vascular_tumor_cell_type"
## [106] "primary_pathology_perineural_invasion_present"
## [107] "primary_pathology_child_pugh_classification_grade"
## [108] "primary_pathology_ca_19_9_level"
## [109] "primary_pathology_ca_19_9_level_lower"
## [110] "primary_pathology_ca_19_9_level_upper"
## [111] "primary_pathology_fetoprotein_outcome_value"
## [112] "primary_pathology_fetoprotein_outcome_lower_limit"
## [113] "primary_pathology_fetoprotein_outcome_upper_limit"
## [114] "primary_pathology_platelet_result_count"
## [115] "primary_pathology_platelet_result_lower_limit"
## [116] "primary_pathology_platelet_result_upper_limit"
## [117] "primary_pathology_prothrombin_time_result_value"
## [118] "primary_pathology_inter_norm_ratio_lower_limit"
## [119] "primary_pathology_intern_norm_ratio_upper_limit"
## [120] "primary_pathology_albumin_result_specified_value"
## [121] "primary_pathology_albumin_result_lower_limit"
## [122] "primary_pathology_albumin_result_upper_limit"
## [123] "primary_pathology_bilirubin_upper_limit"
## [124] "primary_pathology_bilirubin_lower_limit"
## [125] "primary_pathology_total_bilirubin_upper_limit"
## [126] "primary_pathology_creatinine_value_in_mg_dl"
## [127] "primary_pathology_creatinine_lower_level"
## [128] "primary_pathology_creatinine_upper_limit"
## [129] "primary_pathology_fibrosis_ishak_score"
## [130] "primary_pathology_cholangitis_tissue_evidence"
## [131] "adenocarcinoma_invasion"
## [132] "histological_type_other"
## [133] "tumor_type"
## [134] "initial_pathologic_diagnosis_method"
## [135] "init_pathology_dx_method_other"
## [136] "surgery_performed_type"
## [137] "histologic_grading_tier_category"
## [138] "maximum_tumor_dimension"
## [139] "source_of_patient_death_reason"
## [140] "tobacco_smoking_history"
## [141] "year_of_tobacco_smoking_onset"
## [142] "stopped_smoking_year"
## [143] "number_pack_years_smoked"
## [144] "alcohol_history_documented"
## [145] "alcoholic_exposure_category"
## [146] "frequency_of_alcohol_consumption"
## [147] "amount_of_alcohol_consumption_per_day"
## [148] "history_of_diabetes"
## [149] "days_to_diabetes_onset"
## [150] "history_of_chronic_pancreatitis"
## [151] "days_to_pancreatitis_onset"
## [152] "family_history_of_cancer"
## [153] "relative_cancer_types"
## [154] "history_prior_surgery_type_other"# Visualizar estructura del conjunto de datos y un resumen estadístico
str(df_TCGA)## 'data.frame': 1308 obs. of 154 variables:
## $ bcr_patient_barcode : chr "TCGA-3L-AA1B" "TCGA-4N-A93T" "TCGA-4T-AA8H" "TCGA-5M-AAT4" ...
## $ additional_studies : chr NA NA NA NA ...
## $ tumor_tissue_site : chr "Colon" "Colon" "Colon" "Colon" ...
## $ histological_type : chr "Colon Adenocarcinoma" "Colon Adenocarcinoma" "Colon Mucinous Adenocarcinoma" "Colon Adenocarcinoma" ...
## $ other_dx : chr "No" "No" "No" "No" ...
## $ gender : chr "FEMALE" "MALE" "FEMALE" "MALE" ...
## $ vital_status : chr NA NA NA "Dead" ...
## $ days_to_birth : int -22379 -24523 -15494 -27095 -14852 -27870 -16512 -31329 -30237 -26292 ...
## $ days_to_last_known_alive : int NA NA NA NA NA NA 424 NA NA NA ...
## $ days_to_death : int NA NA NA 49 290 NA NA 1126 NA NA ...
## $ days_to_last_followup : num 475 146 385 -Inf -Inf ...
## $ race_list : chr "BLACK OR AFRICAN AMERICAN" "BLACK OR AFRICAN AMERICAN" "BLACK OR AFRICAN AMERICAN" "BLACK OR AFRICAN AMERICAN" ...
## $ tissue_source_site : chr "3L" "4N" "4T" "5M" ...
## $ patient_id : chr "AA1B" "A93T" "AA8H" "AAT4" ...
## $ bcr_patient_uuid : chr "A94E1279-A975-480A-93E9-7B1FF05CBCBF" "92554413-9EBC-4354-8E1B-9682F3A031D9" "A5E14ADD-1552-4606-9FFE-3A03BCF76640" "1136DD50-242A-4659-AAD4-C53F9E759BB3" ...
## $ history_of_neoadjuvant_treatment : chr "No" "No" "No" "No" ...
## $ informed_consent_verified : chr "YES" "YES" "YES" "YES" ...
## $ icd_o_3_site : chr "C18.0" "C18.2" "C18.6" "C18.2" ...
## $ icd_o_3_histology : chr "01/03/8140" "01/03/8140" "01/03/8480" "01/03/8140" ...
## $ icd_10 : chr "C18.0" "C18.2" "C18.6" "C18.2" ...
## $ tissue_prospective_collection_indicator : chr "YES" "YES" "NO" "NO" ...
## $ tissue_retrospective_collection_indicator : chr "NO" "NO" "YES" "YES" ...
## $ days_to_initial_pathologic_diagnosis : int 0 0 0 0 0 0 0 0 0 0 ...
## $ age_at_initial_pathologic_diagnosis : int 61 67 42 74 40 76 45 85 82 71 ...
## $ year_of_initial_pathologic_diagnosis : int 2013 2013 2013 2009 2009 2011 2009 2009 2009 2009 ...
## $ person_neoplasm_cancer_status : chr "TUMOR FREE" "WITH TUMOR" "TUMOR FREE" "WITH TUMOR" ...
## $ ethnicity : chr "NOT HISPANIC OR LATINO" "NOT HISPANIC OR LATINO" "NOT HISPANIC OR LATINO" "HISPANIC OR LATINO" ...
## $ weight : num 63.3 134 108 NA 99.1 ...
## $ height : num 173 168 168 NA 162 ...
## $ day_of_form_completion : int 22 1 5 27 27 27 14 28 4 15 ...
## $ month_of_form_completion : int 4 10 6 1 1 1 10 1 10 10 ...
## $ year_of_form_completion : int 2014 2014 2014 2015 2015 2015 2010 2011 2010 2010 ...
## $ residual_tumor : chr "R0" "R0" "R0" "R0" ...
## $ anatomic_neoplasm_subdivision : chr "Cecum" "Ascending Colon" "Descending Colon" "Ascending Colon" ...
## $ primary_lymph_node_presentation_assessment : chr "YES" "YES" "YES" "YES" ...
## $ lymph_node_examined_count : int 28 25 24 3 11 15 22 27 29 20 ...
## $ number_of_lymphnodes_positive_by_he : int 0 NA 0 0 10 0 NA 3 1 7 ...
## $ number_of_lymphnodes_positive_by_ihc : int 0 2 NA 0 0 0 NA NA NA 0 ...
## $ preoperative_pretreatment_cea_level : num NA 2 NA 550 2.61 2.91 NA 17.4 3.4 32.8 ...
## $ non_nodal_tumor_deposits : chr "NO" "YES" "NO" "NO" ...
## $ circumferential_resection_margin : num NA 30 20 NA NA NA NA NA NA NA ...
## $ venous_invasion : chr "NO" "NO" "NO" "YES" ...
## $ lymphatic_invasion : chr "NO" "NO" "NO" NA ...
## $ perineural_invasion_present : chr "NO" "NO" "NO" NA ...
## $ microsatellite_instability : chr "NO" NA "NO" NA ...
## $ number_of_loci_tested : int NA NA NA NA NA NA NA NA NA NA ...
## $ number_of_abnormal_loci : int NA NA NA NA NA NA NA NA NA NA ...
## $ kras_gene_analysis_performed : chr "NO" "NO" "NO" "NO" ...
## $ kras_mutation_found : chr NA NA NA NA ...
## $ kras_mutation_codon : int NA NA NA NA NA NA NA NA NA NA ...
## $ braf_gene_analysis_performed : chr "NO" "NO" "NO" "NO" ...
## $ braf_gene_analysis_result : chr NA NA NA NA ...
## $ synchronous_colon_cancer_present : chr "NO" "YES" "NO" "NO" ...
## $ history_of_colon_polyps : chr "YES" "NO" "NO" "NO" ...
## $ colon_polyps_present : chr "YES" "YES" "NO" "YES" ...
## $ loss_expression_of_mismatch_repair_proteins_by_ihc : chr "YES" "YES" "YES" "NO" ...
## $ loss_expression_of_mismatch_repair_proteins_by_ihc_results: chr "MLH1-ExpressedMSH2-ExpressedPMS2-ExpressedMSH6-Expressed" "MLH1-ExpressedMSH2-ExpressedPMS2-ExpressedMSH6-Expressed" "MLH1-ExpressedMSH2-ExpressedPMS2-ExpressedMSH6-Expressed" NA ...
## $ number_of_first_degree_relatives_with_cancer_diagnosis : int 0 0 0 0 NA 0 0 0 0 0 ...
## $ radiation_therapy : chr "NO" "NO" "NO" "NO" ...
## $ postoperative_rx_tx : chr "NO" "YES" "NO" "NO" ...
## $ primary_therapy_outcome_success : chr "Complete Remission/Response" "Stable Disease" "Complete Remission/Response" "Progressive Disease" ...
## $ has_new_tumor_events_information : chr "NO" "NO" "NO" "NO" ...
## $ has_drugs_information : chr "NO" "YES" "NO" "NO" ...
## $ has_radiations_information : chr "NO" "NO" "NO" "NO" ...
## $ has_follow_ups_information : chr "YES" "YES" "YES" "YES" ...
## $ project : chr "TCGA-COAD" "TCGA-COAD" "TCGA-COAD" "TCGA-COAD" ...
## $ stage_event_system_version : chr "7th" "7th" "7th" "6th" ...
## $ stage_event_clinical_stage : logi NA NA NA NA NA NA ...
## $ stage_event_pathologic_stage : chr "Stage I" "Stage IIIB" "Stage IIA" "Stage IV" ...
## $ stage_event_tnm_categories : chr "T2N0M0" "T4aN1bM0" "T3N0MX" "T3N0M1b" ...
## $ stage_event_psa : logi NA NA NA NA NA NA ...
## $ stage_event_gleason_grading : logi NA NA NA NA NA NA ...
## $ stage_event_ann_arbor : logi NA NA NA NA NA NA ...
## $ stage_event_serum_markers : logi NA NA NA NA NA NA ...
## $ stage_event_igcccg_stage : logi NA NA NA NA NA NA ...
## $ stage_event_masaoka_stage : logi NA NA NA NA NA NA ...
## $ cancer_type : chr "TCGA-COAD" "TCGA-COAD" "TCGA-COAD" "TCGA-COAD" ...
## $ patient_death_reason : chr NA NA NA NA ...
## $ anatomic_neoplasm_subdivision_other : chr NA NA NA NA ...
## $ neoplasm_histologic_grade : chr NA NA NA NA ...
## $ country_of_procurement : chr NA NA NA NA ...
## $ city_of_procurement : chr NA NA NA NA ...
## $ reflux_history : chr NA NA NA NA ...
## $ antireflux_treatment : chr NA NA NA NA ...
## $ antireflux_treatment_types : chr NA NA NA NA ...
## $ barretts_esophagus : chr NA NA NA NA ...
## $ h_pylori_infection : chr NA NA NA NA ...
## $ family_history_of_stomach_cancer : chr NA NA NA NA ...
## $ number_of_relatives_with_stomach_cancer : int NA NA NA NA NA NA NA NA NA NA ...
## $ relative_family_cancer_history : chr NA NA NA NA ...
## $ cancer_first_degree_relative : int NA NA NA NA NA NA NA NA NA NA ...
## $ blood_relative_cancer_history_list : chr NA NA NA NA ...
## $ history_hepato_carcinoma_risk_factors : chr NA NA NA NA ...
## $ post_op_ablation_embolization_tx : chr NA NA NA NA ...
## $ eastern_cancer_oncology_group : int NA NA NA NA NA NA NA NA NA NA ...
## $ primary_pathology_tumor_tissue_site : chr NA NA NA NA ...
## $ primary_pathology_histological_type : chr NA NA NA NA ...
## $ primary_pathology_specimen_collection_method_name : chr NA NA NA NA ...
## $ primary_pathology_history_prior_surgery_type_other : chr NA NA NA NA ...
## [list output truncated]summary(df_TCGA)## bcr_patient_barcode additional_studies tumor_tissue_site histological_type
## Length:1308 Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## other_dx gender vital_status days_to_birth
## Length:1308 Length:1308 Length:1308 Min. :-32873
## Class :character Class :character Class :character 1st Qu.:-27321
## Mode :character Mode :character Mode :character Median :-24655
## Mean :-24204
## 3rd Qu.:-21319
## Max. :-10659
## NA's :17
## days_to_last_known_alive days_to_death days_to_last_followup
## Min. : 0.0 Min. : 0.0 Min. :-Inf
## 1st Qu.: 343.5 1st Qu.: 145.0 1st Qu.: 0
## Median : 992.0 Median : 366.0 Median : 485
## Mean :1635.1 Mean : 503.5 Mean :-Inf
## 3rd Qu.:3223.0 3rd Qu.: 641.0 3rd Qu.: 942
## Max. :3920.0 Max. :3042.0 Max. :4502
## NA's :1289 NA's :1071 NA's :205
## race_list tissue_source_site patient_id bcr_patient_uuid
## Length:1308 Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## history_of_neoadjuvant_treatment informed_consent_verified icd_o_3_site
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## icd_o_3_histology icd_10 tissue_prospective_collection_indicator
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## tissue_retrospective_collection_indicator days_to_initial_pathologic_diagnosis
## Length:1308 Min. :0
## Class :character 1st Qu.:0
## Mode :character Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :58
## age_at_initial_pathologic_diagnosis year_of_initial_pathologic_diagnosis
## Min. :30.00 Min. :1996
## 1st Qu.:58.00 1st Qu.:2008
## Median :67.00 Median :2010
## Mean :65.85 Mean :2009
## 3rd Qu.:74.00 3rd Qu.:2011
## Max. :90.00 Max. :2013
## NA's :56 NA's :53
## person_neoplasm_cancer_status ethnicity weight
## Length:1308 Length:1308 Min. : 34.00
## Class :character Class :character 1st Qu.: 65.00
## Mode :character Mode :character Median : 78.05
## Mean : 80.44
## 3rd Qu.: 91.85
## Max. :175.30
## NA's :936
## height day_of_form_completion month_of_form_completion
## Min. : 80.3 Min. : 1.00 Min. : 1.000
## 1st Qu.:162.0 1st Qu.:11.00 1st Qu.: 4.000
## Median :170.0 Median :18.00 Median : 6.000
## Mean :168.9 Mean :16.62 Mean : 5.881
## 3rd Qu.:176.0 3rd Qu.:22.00 3rd Qu.: 7.000
## Max. :193.0 Max. :31.00 Max. :12.000
## NA's :957 NA's :41 NA's :5
## year_of_form_completion residual_tumor anatomic_neoplasm_subdivision
## Min. :2010 Length:1308 Length:1308
## 1st Qu.:2011 Class :character Class :character
## Median :2011 Mode :character Mode :character
## Mean :2012
## 3rd Qu.:2013
## Max. :2015
## NA's :5
## primary_lymph_node_presentation_assessment lymph_node_examined_count
## Length:1308 Min. : 0.00
## Class :character 1st Qu.: 12.00
## Mode :character Median : 18.00
## Mean : 21.42
## 3rd Qu.: 27.00
## Max. :109.00
## NA's :138
## number_of_lymphnodes_positive_by_he number_of_lymphnodes_positive_by_ihc
## Min. : 0.000 Min. : 0.0000
## 1st Qu.: 0.000 1st Qu.: 0.0000
## Median : 1.000 Median : 0.0000
## Mean : 3.493 Mean : 0.2833
## 3rd Qu.: 4.000 3rd Qu.: 0.0000
## Max. :57.000 Max. :12.0000
## NA's :143 NA's :1188
## preoperative_pretreatment_cea_level non_nodal_tumor_deposits
## Min. : 0.000 Length:1308
## 1st Qu.: 1.700 Class :character
## Median : 3.160 Mode :character
## Mean : 65.074
## 3rd Qu.: 8.982
## Max. :7868.000
## NA's :906
## circumferential_resection_margin venous_invasion lymphatic_invasion
## Min. : 0.00 Length:1308 Length:1308
## 1st Qu.: 2.50 Class :character Class :character
## Median : 13.00 Mode :character Mode :character
## Mean : 22.96
## 3rd Qu.: 30.00
## Max. :165.00
## NA's :1185
## perineural_invasion_present microsatellite_instability number_of_loci_tested
## Length:1308 Length:1308 Min. : 0.000
## Class :character Class :character 1st Qu.: 5.000
## Mode :character Mode :character Median : 5.000
## Mean : 4.944
## 3rd Qu.: 5.000
## Max. :10.000
## NA's :1236
## number_of_abnormal_loci kras_gene_analysis_performed kras_mutation_found
## Min. :0.0000 Length:1308 Length:1308
## 1st Qu.:0.0000 Class :character Class :character
## Median :0.0000 Mode :character Mode :character
## Mean :0.5915
## 3rd Qu.:0.0000
## Max. :9.0000
## NA's :1237
## kras_mutation_codon braf_gene_analysis_performed braf_gene_analysis_result
## Min. :12.00 Length:1308 Length:1308
## 1st Qu.:12.00 Class :character Class :character
## Median :12.00 Mode :character Mode :character
## Mean :13.83
## 3rd Qu.:12.00
## Max. :61.00
## NA's :1278
## synchronous_colon_cancer_present history_of_colon_polyps colon_polyps_present
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## loss_expression_of_mismatch_repair_proteins_by_ihc
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## loss_expression_of_mismatch_repair_proteins_by_ihc_results
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## number_of_first_degree_relatives_with_cancer_diagnosis radiation_therapy
## Min. :0.0000 Length:1308
## 1st Qu.:0.0000 Class :character
## Median :0.0000 Mode :character
## Mean :0.1654
## 3rd Qu.:0.0000
## Max. :3.0000
## NA's :770
## postoperative_rx_tx primary_therapy_outcome_success
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## has_new_tumor_events_information has_drugs_information
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## has_radiations_information has_follow_ups_information project
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## stage_event_system_version stage_event_clinical_stage
## Length:1308 Mode:logical
## Class :character NA's:1308
## Mode :character
##
##
##
##
## stage_event_pathologic_stage stage_event_tnm_categories stage_event_psa
## Length:1308 Length:1308 Mode:logical
## Class :character Class :character NA's:1308
## Mode :character Mode :character
##
##
##
##
## stage_event_gleason_grading stage_event_ann_arbor stage_event_serum_markers
## Mode:logical Mode:logical Mode:logical
## NA's:1308 NA's:1308 NA's:1308
##
##
##
##
##
## stage_event_igcccg_stage stage_event_masaoka_stage cancer_type
## Mode:logical Mode:logical Length:1308
## NA's:1308 NA's:1308 Class :character
## Mode :character
##
##
##
##
## patient_death_reason anatomic_neoplasm_subdivision_other
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## neoplasm_histologic_grade country_of_procurement city_of_procurement
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## reflux_history antireflux_treatment antireflux_treatment_types
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## barretts_esophagus h_pylori_infection family_history_of_stomach_cancer
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## number_of_relatives_with_stomach_cancer relative_family_cancer_history
## Min. :0.0000 Length:1308
## 1st Qu.:0.0000 Class :character
## Median :0.0000 Mode :character
## Mean :0.2632
## 3rd Qu.:0.0000
## Max. :2.0000
## NA's :1232
## cancer_first_degree_relative blood_relative_cancer_history_list
## Min. :1.000 Length:1308
## 1st Qu.:1.000 Class :character
## Median :1.000 Mode :character
## Mean :1.696
## 3rd Qu.:2.000
## Max. :4.000
## NA's :1285
## history_hepato_carcinoma_risk_factors post_op_ablation_embolization_tx
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## eastern_cancer_oncology_group primary_pathology_tumor_tissue_site
## Min. :0.0000 Length:1308
## 1st Qu.:0.0000 Class :character
## Median :0.0000 Mode :character
## Mean :0.3514
## 3rd Qu.:1.0000
## Max. :3.0000
## NA's :1271
## primary_pathology_histological_type
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_specimen_collection_method_name
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_history_prior_surgery_type_other
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_days_to_initial_pathologic_diagnosis
## Min. :0
## 1st Qu.:0
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :1260
## primary_pathology_age_at_initial_pathologic_diagnosis
## Min. :29.00
## 1st Qu.:58.00
## Median :66.00
## Mean :63.64
## 3rd Qu.:73.00
## Max. :82.00
## NA's :1263
## primary_pathology_year_of_initial_pathologic_diagnosis
## Min. :2005
## 1st Qu.:2010
## Median :2011
## Mean :2011
## 3rd Qu.:2012
## Max. :2013
## NA's :1260
## primary_pathology_neoplasm_histologic_grade primary_pathology_residual_tumor
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## primary_pathology_vascular_tumor_cell_type
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_perineural_invasion_present
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_child_pugh_classification_grade
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_ca_19_9_level primary_pathology_ca_19_9_level_lower
## Min. : 1.0 Min. :0.0000
## 1st Qu.: 26.5 1st Qu.:0.0000
## Median : 54.9 Median :0.0000
## Mean : 345.8 Mean :0.1351
## 3rd Qu.: 200.0 3rd Qu.:0.0000
## Max. :6910.0 Max. :5.0000
## NA's :1268 NA's :1271
## primary_pathology_ca_19_9_level_upper
## Min. : 7.00
## 1st Qu.:35.00
## Median :55.00
## Mean :45.56
## 3rd Qu.:55.00
## Max. :55.00
## NA's :1267
## primary_pathology_fetoprotein_outcome_value
## Min. : 1.380
## 1st Qu.: 2.350
## Median : 3.100
## Mean : 3.803
## 3rd Qu.: 4.325
## Max. :14.000
## NA's :1280
## primary_pathology_fetoprotein_outcome_lower_limit
## Min. :0
## 1st Qu.:0
## Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## NA's :1275
## primary_pathology_fetoprotein_outcome_upper_limit
## Min. : 6.000
## 1st Qu.: 6.000
## Median : 6.000
## Mean : 7.579
## 3rd Qu.: 9.000
## Max. :15.000
## NA's :1275
## primary_pathology_platelet_result_count
## Min. : 134.0
## 1st Qu.: 211.0
## Median : 269.5
## Mean : 68013.6
## 3rd Qu.:179500.0
## Max. :354000.0
## NA's :1264
## primary_pathology_platelet_result_lower_limit
## Min. : 140
## 1st Qu.: 150
## Median : 150
## Mean : 32560
## 3rd Qu.: 15000
## Max. :150000
## NA's :1263
## primary_pathology_platelet_result_upper_limit
## Min. : 400
## 1st Qu.: 450
## Median : 450
## Mean :126091
## 3rd Qu.:400000
## Max. :450000
## NA's :1263
## primary_pathology_prothrombin_time_result_value
## Min. : 0.800
## 1st Qu.: 1.000
## Median : 1.100
## Mean : 2.012
## 3rd Qu.: 1.100
## Max. :12.200
## NA's :1266
## primary_pathology_inter_norm_ratio_lower_limit
## Min. : 0.000
## 1st Qu.: 0.800
## Median : 0.900
## Mean : 1.865
## 3rd Qu.: 0.900
## Max. :10.400
## NA's :1274
## primary_pathology_intern_norm_ratio_upper_limit
## Min. : 1.100
## 1st Qu.: 1.200
## Median : 1.200
## Mean : 2.553
## 3rd Qu.: 1.200
## Max. :13.100
## NA's :1274
## primary_pathology_albumin_result_specified_value
## Min. :2.400
## 1st Qu.:3.775
## Median :4.150
## Mean :3.998
## 3rd Qu.:4.325
## Max. :4.800
## NA's :1268
## primary_pathology_albumin_result_lower_limit
## Min. :3.300
## 1st Qu.:3.500
## Median :3.500
## Mean :3.467
## 3rd Qu.:3.500
## Max. :3.500
## NA's :1268
## primary_pathology_albumin_result_upper_limit
## Min. :4.50
## 1st Qu.:4.80
## Median :5.00
## Mean :4.91
## 3rd Qu.:5.00
## Max. :5.20
## NA's :1268
## primary_pathology_bilirubin_upper_limit
## Min. : 0.200
## 1st Qu.: 0.400
## Median : 0.700
## Mean : 2.859
## 3rd Qu.: 1.025
## Max. :84.000
## NA's :1264
## primary_pathology_bilirubin_lower_limit
## Min. : 0.000
## 1st Qu.: 0.100
## Median : 0.100
## Mean : 2.221
## 3rd Qu.: 0.150
## Max. :78.000
## NA's :1265
## primary_pathology_total_bilirubin_upper_limit
## Min. : 0.300
## 1st Qu.: 1.000
## Median : 1.000
## Mean : 5.505
## 3rd Qu.: 1.200
## Max. :96.000
## NA's :1265
## primary_pathology_creatinine_value_in_mg_dl
## Min. :0.5000
## 1st Qu.:0.8000
## Median :0.9000
## Mean :0.8651
## 3rd Qu.:1.0000
## Max. :1.4000
## NA's :1265
## primary_pathology_creatinine_lower_level
## Min. :0.4000
## 1st Qu.:0.6000
## Median :0.6000
## Mean :0.6349
## 3rd Qu.:0.7000
## Max. :0.9000
## NA's :1265
## primary_pathology_creatinine_upper_limit
## Min. :1.000
## 1st Qu.:1.100
## Median :1.100
## Mean :1.198
## 3rd Qu.:1.300
## Max. :1.400
## NA's :1265
## primary_pathology_fibrosis_ishak_score
## Length:1308
## Class :character
## Mode :character
##
##
##
##
## primary_pathology_cholangitis_tissue_evidence adenocarcinoma_invasion
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## histological_type_other tumor_type initial_pathologic_diagnosis_method
## Length:1308 Length:1308 Length:1308
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## init_pathology_dx_method_other surgery_performed_type
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## histologic_grading_tier_category maximum_tumor_dimension
## Length:1308 Min. : 0.300
## Class :character 1st Qu.: 2.925
## Mode :character Median : 3.500
## Mean : 3.840
## 3rd Qu.: 4.500
## Max. :14.000
## NA's :1138
## source_of_patient_death_reason tobacco_smoking_history
## Length:1308 Min. :1.000
## Class :character 1st Qu.:1.000
## Mode :character Median :2.000
## Mean :2.201
## 3rd Qu.:3.000
## Max. :5.000
## NA's :1159
## year_of_tobacco_smoking_onset stopped_smoking_year number_pack_years_smoked
## Min. :1948 Min. :1952 Min. : 0.30
## 1st Qu.:1960 1st Qu.:1980 1st Qu.:15.00
## Median :1971 Median :1988 Median :25.00
## Mean :1971 Mean :1990 Mean :26.84
## 3rd Qu.:1982 3rd Qu.:2004 3rd Qu.:40.00
## Max. :1993 Max. :2013 Max. :75.00
## NA's :1261 NA's :1258 NA's :1251
## alcohol_history_documented alcoholic_exposure_category
## Length:1308 Length:1308
## Class :character Class :character
## Mode :character Mode :character
##
##
##
##
## frequency_of_alcohol_consumption amount_of_alcohol_consumption_per_day
## Min. :0.500 Min. :0.500
## 1st Qu.:3.000 1st Qu.:1.000
## Median :6.500 Median :1.000
## Mean :4.812 Mean :1.581
## 3rd Qu.:7.000 3rd Qu.:2.000
## Max. :7.000 Max. :4.000
## NA's :1276 NA's :1277
## history_of_diabetes days_to_diabetes_onset history_of_chronic_pancreatitis
## Length:1308 Min. :-9070.00 Length:1308
## Class :character 1st Qu.: -163.00 Class :character
## Mode :character Median : -52.00 Mode :character
## Mean : -706.79
## 3rd Qu.: -17.75
## Max. : 504.00
## NA's :1294
## days_to_pancreatitis_onset family_history_of_cancer relative_cancer_types
## Min. :-18029.0 Length:1308 Length:1308
## 1st Qu.: -231.5 Class :character Class :character
## Median : -71.0 Mode :character Mode :character
## Mean : -1744.2
## 3rd Qu.: -38.0
## Max. : 1.0
## NA's :1297
## history_prior_surgery_type_other
## Length:1308
## Class :character
## Mode :character
##
##
##
## # Verificar valores nulos
print(table(is.na(df_TCGA)))##
## FALSE TRUE
## 66141 135291# Verificar valores nulos por columnas
# print(colSums(is.na(df_TCGA)))
# Verificar valores nulos por filas
# print(rowSums(is.na(df_TCGA)))Identificamos la columna que sirva con ID principal de cada registro del dataset
# Visualizar los primeros 5 elementos de las siguientes columnas tipo ID
head(df_TCGA[,c("bcr_patient_barcode", "bcr_patient_uuid", "patient_id")], 5)En general observamos tres diferentes identificadores: el TCGA barcode completo, UUID (Universal Unique Identifier) y código interno de paciente, respectivamente. En este proyecto utilizaremos el primero de ellos pues es el identificador estándar a nivel de paciente en TCGA. Además observamos que también contiene el código interno de paciente.
# Crear un subconjunto del dataset TCGA con variables relevantes desde una perspectiva oncologica
df_gastro <-subset(df_TCGA, select = c(bcr_patient_barcode, tumor_tissue_site, histological_type,
gender, vital_status, days_to_death, days_to_last_followup,
tissue_source_site,
age_at_initial_pathologic_diagnosis, person_neoplasm_cancer_status,
weight, height, residual_tumor, anatomic_neoplasm_subdivision,
number_of_lymphnodes_positive_by_he, number_of_lymphnodes_positive_by_ihc,
preoperative_pretreatment_cea_level, non_nodal_tumor_deposits,
circumferential_resection_margin, venous_invasion, lymphatic_invasion,
perineural_invasion_present, microsatellite_instability,
number_of_loci_tested, number_of_abnormal_loci, kras_gene_analysis_performed,
kras_mutation_found, kras_mutation_codon, braf_gene_analysis_performed,
braf_gene_analysis_result, synchronous_colon_cancer_present,
stage_event_pathologic_stage, stage_event_tnm_categories, cancer_type))Visualizamos con mayor detalle el TCGA dataset personalizado con las 34 variables de interés.
# Usar función skimr()
skim(df_gastro)## Warning: There was 1 warning in `dplyr::summarize()`.
## ℹ In argument: `dplyr::across(tidyselect::any_of(variable_names),
## mangled_skimmers$funs)`.
## ℹ In group 0: .
## Caused by warning:
## ! There was 1 warning in `dplyr::summarize()`.
## ℹ In argument: `dplyr::across(tidyselect::any_of(variable_names),
## mangled_skimmers$funs)`.
## Caused by warning in `inline_hist()`:
## ! Variable contains Inf or -Inf value(s) that were converted to NA.| Name | df_gastro |
| Number of rows | 1308 |
| Number of columns | 34 |
| _______________________ | |
| Column type frequency: | |
| character | 22 |
| numeric | 12 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| bcr_patient_barcode | 1 | 1.00 | 0 | 12 | 1 | 1307 | 0 |
| tumor_tissue_site | 6 | 1.00 | 0 | 9 | 1 | 6 | 0 |
| histological_type | 17 | 0.99 | 0 | 65 | 1 | 19 | 0 |
| gender | 2 | 1.00 | 0 | 6 | 1 | 3 | 0 |
| vital_status | 636 | 0.51 | 4 | 5 | 0 | 4 | 0 |
| tissue_source_site | 1 | 1.00 | 0 | 2 | 1 | 99 | 0 |
| person_neoplasm_cancer_status | 194 | 0.85 | 0 | 10 | 1 | 3 | 0 |
| residual_tumor | 142 | 0.89 | 0 | 2 | 1 | 5 | 0 |
| anatomic_neoplasm_subdivision | 81 | 0.94 | 0 | 25 | 1 | 19 | 0 |
| non_nodal_tumor_deposits | 1010 | 0.23 | 0 | 3 | 1 | 3 | 0 |
| venous_invasion | 762 | 0.42 | 0 | 3 | 1 | 3 | 0 |
| lymphatic_invasion | 740 | 0.43 | 0 | 3 | 1 | 3 | 0 |
| perineural_invasion_present | 1030 | 0.21 | 0 | 3 | 1 | 3 | 0 |
| microsatellite_instability | 1190 | 0.09 | 0 | 3 | 1 | 3 | 0 |
| kras_gene_analysis_performed | 733 | 0.44 | 0 | 3 | 1 | 3 | 0 |
| kras_mutation_found | 1245 | 0.05 | 0 | 3 | 1 | 3 | 0 |
| braf_gene_analysis_performed | 747 | 0.43 | 0 | 3 | 1 | 3 | 0 |
| braf_gene_analysis_result | 1272 | 0.03 | 0 | 8 | 1 | 3 | 0 |
| synchronous_colon_cancer_present | 744 | 0.43 | 0 | 3 | 1 | 3 | 0 |
| stage_event_pathologic_stage | 52 | 0.96 | 0 | 10 | 1 | 15 | 0 |
| stage_event_tnm_categories | 3 | 1.00 | 0 | 9 | 1 | 141 | 0 |
| cancer_type | 1 | 1.00 | 0 | 9 | 1 | 6 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| days_to_death | 1071 | 0.18 | 503.46 | 524.96 | 0.0 | 145.0 | 366.00 | 641.00 | 3042.0 | ▇▂▁▁▁ |
| days_to_last_followup | 205 | 0.84 | -Inf | NaN | -Inf | 0.0 | 485.00 | 942.00 | 4502.0 | ▇▃▁▁▁ |
| age_at_initial_pathologic_diagnosis | 56 | 0.96 | 65.85 | 11.88 | 30.0 | 58.0 | 67.00 | 74.00 | 90.0 | ▁▃▆▇▃ |
| weight | 936 | 0.28 | 80.44 | 20.88 | 34.0 | 65.0 | 78.05 | 91.85 | 175.3 | ▃▇▃▁▁ |
| height | 957 | 0.27 | 168.87 | 11.64 | 80.3 | 162.0 | 170.00 | 176.00 | 193.0 | ▁▁▁▇▆ |
| number_of_lymphnodes_positive_by_he | 143 | 0.89 | 3.49 | 6.26 | 0.0 | 0.0 | 1.00 | 4.00 | 57.0 | ▇▁▁▁▁ |
| number_of_lymphnodes_positive_by_ihc | 1188 | 0.09 | 0.28 | 1.64 | 0.0 | 0.0 | 0.00 | 0.00 | 12.0 | ▇▁▁▁▁ |
| preoperative_pretreatment_cea_level | 906 | 0.31 | 65.07 | 468.84 | 0.0 | 1.7 | 3.16 | 8.98 | 7868.0 | ▇▁▁▁▁ |
| circumferential_resection_margin | 1185 | 0.09 | 22.96 | 28.31 | 0.0 | 2.5 | 13.00 | 30.00 | 165.0 | ▇▂▁▁▁ |
| number_of_loci_tested | 1236 | 0.06 | 4.94 | 2.14 | 0.0 | 5.0 | 5.00 | 5.00 | 10.0 | ▁▁▇▁▁ |
| number_of_abnormal_loci | 1237 | 0.05 | 0.59 | 1.70 | 0.0 | 0.0 | 0.00 | 0.00 | 9.0 | ▇▁▁▁▁ |
| kras_mutation_codon | 1278 | 0.02 | 13.83 | 8.92 | 12.0 | 12.0 | 12.00 | 12.00 | 61.0 | ▇▁▁▁▁ |
# Obtener el número de variables y sus nombres
dim(df_gastro) ## [1] 1308 34# Verificar valores nulos
print(table(is.na(df_gastro)))##
## FALSE TRUE
## 23465 21007Transformación de los datos
La primera transformación al dataframe df_gastro
consiste en la creación de una nueva variable de supervivencia de los
pacientes os_time para identificar los que siguen vivos y
los que no. Veamos,
# Visualizar algunas variables relacionadas a la supervivencia de pacientes
df_gastro[1:10, c("vital_status", "days_to_last_followup", "days_to_death")]donde,
- vital_status: estado de vida del paciente al momento del cierre del seguimiento
- days_to_last_followup: número de días desde el diagnóstico hasta la última vez que se tuvo contacto clínico con el paciente
- days_to_death: número de días desde el diagnóstico hasta la muerte del paciente
La variable os_time es una combinación de las variables
days_to_last_followup y days_to_death donde se
imputan los valores NA de days_to_death por
aquellos en days_to_last_followup.
# Crear la variable de supervivencia de pacientes (los que siguen vivos y los que no)
df_gastro$os_time <- ifelse(
!is.na(df_gastro$days_to_death), #si hay un valor que no es nulo en la variable "days_to_death"
df_gastro$days_to_death,
df_gastro$days_to_last_followup #en caso contrario, el valor es lo que aparece en la columna "days_to_last_followup"
)
# Transformar los valores infinitos de os_time en NA
df_gastro$os_time[is.infinite(df_gastro$os_time)] <- NAEn los datos clínicos de TCGA, en ocasiones la variable
vital_status no se informa o se analiza incorrectamente,
pero si los datos de seguimiento del paciente están presentes, se puede
asumir que el paciente estaba vivo en su último seguimiento. Este es el
supuesto tomado en cuenta en este proyecto, aunque en un enfoque más
conservador, la estrategia sería descartar a estos pacientes.
# Asignar "Alive" a los NAs de vital_status si la variable "days_to_last_followup" tiene un valor valido.
df_gastro$vital_status[is.na(df_gastro$vital_status)
& !is.na(df_gastro$days_to_last_followup)] <- "Alive"
# Definir os_event, si el paciente está vivo con 0, caso contrario con 1.
df_gastro$os_event <- ifelse(df_gastro$vital_status == "Dead", 1, 0)
# Eliminar la especificación TCGA del tipo de cáncer para simplificar.
df_gastro$cancer_type <-gsub("TCGA-","", df_gastro$cancer_type) #ref. The R book page 124
# Eliminar la especificación Stage para simplificar.
df_gastro$stage_event_pathologic_stage <-gsub("Stage ","", df_gastro$stage_event_pathologic_stage) #ref. The R book page 124
# Estructura del conjunto de datos y resumen estadístico
str(df_gastro)## 'data.frame': 1308 obs. of 36 variables:
## $ bcr_patient_barcode : chr "TCGA-3L-AA1B" "TCGA-4N-A93T" "TCGA-4T-AA8H" "TCGA-5M-AAT4" ...
## $ tumor_tissue_site : chr "Colon" "Colon" "Colon" "Colon" ...
## $ histological_type : chr "Colon Adenocarcinoma" "Colon Adenocarcinoma" "Colon Mucinous Adenocarcinoma" "Colon Adenocarcinoma" ...
## $ gender : chr "FEMALE" "MALE" "FEMALE" "MALE" ...
## $ vital_status : chr "Alive" "Alive" "Alive" "Dead" ...
## $ days_to_death : int NA NA NA 49 290 NA NA 1126 NA NA ...
## $ days_to_last_followup : num 475 146 385 -Inf -Inf ...
## $ tissue_source_site : chr "3L" "4N" "4T" "5M" ...
## $ age_at_initial_pathologic_diagnosis : int 61 67 42 74 40 76 45 85 82 71 ...
## $ person_neoplasm_cancer_status : chr "TUMOR FREE" "WITH TUMOR" "TUMOR FREE" "WITH TUMOR" ...
## $ weight : num 63.3 134 108 NA 99.1 ...
## $ height : num 173 168 168 NA 162 ...
## $ residual_tumor : chr "R0" "R0" "R0" "R0" ...
## $ anatomic_neoplasm_subdivision : chr "Cecum" "Ascending Colon" "Descending Colon" "Ascending Colon" ...
## $ number_of_lymphnodes_positive_by_he : int 0 NA 0 0 10 0 NA 3 1 7 ...
## $ number_of_lymphnodes_positive_by_ihc: int 0 2 NA 0 0 0 NA NA NA 0 ...
## $ preoperative_pretreatment_cea_level : num NA 2 NA 550 2.61 2.91 NA 17.4 3.4 32.8 ...
## $ non_nodal_tumor_deposits : chr "NO" "YES" "NO" "NO" ...
## $ circumferential_resection_margin : num NA 30 20 NA NA NA NA NA NA NA ...
## $ venous_invasion : chr "NO" "NO" "NO" "YES" ...
## $ lymphatic_invasion : chr "NO" "NO" "NO" NA ...
## $ perineural_invasion_present : chr "NO" "NO" "NO" NA ...
## $ microsatellite_instability : chr "NO" NA "NO" NA ...
## $ number_of_loci_tested : int NA NA NA NA NA NA NA NA NA NA ...
## $ number_of_abnormal_loci : int NA NA NA NA NA NA NA NA NA NA ...
## $ kras_gene_analysis_performed : chr "NO" "NO" "NO" "NO" ...
## $ kras_mutation_found : chr NA NA NA NA ...
## $ kras_mutation_codon : int NA NA NA NA NA NA NA NA NA NA ...
## $ braf_gene_analysis_performed : chr "NO" "NO" "NO" "NO" ...
## $ braf_gene_analysis_result : chr NA NA NA NA ...
## $ synchronous_colon_cancer_present : chr "NO" "YES" "NO" "NO" ...
## $ stage_event_pathologic_stage : chr "I" "IIIB" "IIA" "IV" ...
## $ stage_event_tnm_categories : chr "T2N0M0" "T4aN1bM0" "T3N0MX" "T3N0M1b" ...
## $ cancer_type : chr "COAD" "COAD" "COAD" "COAD" ...
## $ os_time : num 475 146 385 49 290 ...
## $ os_event : num 0 0 0 1 1 0 0 1 0 0 ...2.2 Preguntas objetivo
¿Qué correlación existe entre el estadio patológico del tumor en el momento del diagnóstico y la supervivencia?
¿Qué diferencias en supervivencia se observan según el género y la edad de los pacientes?
¿Existen diferencias significativas en la supervivencia según el tipo de cáncer gastrointestinal?
¿Cuál es el impacto de la invasión venosa, linfática o perineural sobre la supervivencia?
Sección 3: Análisis exploratorio de los datos
3.1 Estadística descriptiva y visualización
En esta sección implementamos un análisis exploratorio y de visualización de datos con el objetivo de responder a las preguntas objetivo de la sección 2.2.
# Convertir a factor las variables tipo `chr`
df_gastro$gender<- factor(df_gastro$gender)
df_gastro$residual_tumor<- factor(df_gastro$residual_tumor)
df_gastro$venous_invasion<- factor(df_gastro$venous_invasion)
df_gastro$lymphatic_invasion<- factor(df_gastro$lymphatic_invasion)
df_gastro$perineural_invasion_present<- factor(df_gastro$perineural_invasion_present)
df_gastro$microsatellite_instability<- factor(df_gastro$microsatellite_instability)
df_gastro$kras_mutation_found<- factor(df_gastro$kras_mutation_found)
df_gastro$stage_event_pathologic_stage<- factor(df_gastro$stage_event_pathologic_stage)
df_gastro$cancer_type<- factor(df_gastro$cancer_type)# Visualizar la distribucion de edades en los distintos tipos de cancer
ggplot(data=subset(df_gastro, !is.na(age_at_initial_pathologic_diagnosis)), aes(x = cancer_type, y = age_at_initial_pathologic_diagnosis, fill = cancer_type))+
geom_boxplot(col = 'black')+
labs(title = "Edad Paciente al Momento del Diagnóstico", x ="Tipo de Cáncer", y = "Edad (años)") +
theme_minimal()+
scale_fill_brewer(palette="PRGn")+
theme(plot.title = element_text(size=16, color='Darkblue', face='bold', hjust = 0.5))
Pregunta 1: ¿Qué correlación existe entre el estadio patológico del tumor en el momento del diagnóstico y la supervivencia?
# Correlacion entre el estadio tumoral y la supervivencia de los pacientes
ggplot(data=subset(df_gastro, !is.na(stage_event_pathologic_stage)), aes(x = stage_event_pathologic_stage, y = os_time, fill = stage_event_pathologic_stage))+
geom_boxplot(col = 'black')+
labs(title = "Supervivencia en función del Estadio Tumoral", x ="Estadio Tumoral", y = "Supervivencia (días)") +
theme_minimal()+
#scale_fill_brewer(palette="PRGn")+
theme(plot.title = element_text(size=16, color='Darkblue', face='bold', hjust = 0.5))## Warning: Removed 225 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
El gráfico de supervivencia en función de estadio tumoral muestra que la supervivencia disminuye progresivamente a medida que aumenta el estadio tumoral, tal como lo señalan Singh et. al (https://doi.org/10.5114/pg.2024.141834). De aquí la importancia crítica de realizar un diagnóstico precoz en pacientes oncológicos. Para aportar mayor respaldo estadístico a esta observación, sería necesario realizar un análisis más riguroso usando un modelo de riesgos proporcionales de Cox. Dicho análisis queda fuera del alcance de este proyecto.
Pregunta 2: ¿Existen diferencias significativas en la supervivencia según el tipo de cáncer gastrointestinal?
# Supervivencia en función del tipo de cáncer
ggplot(data=subset(df_gastro, !is.na(os_time)), aes(x = cancer_type, y = os_time, fill = cancer_type))+
geom_boxplot(col = 'black')+
labs(title = "Supervivencia en función del tipo de cáncer ", x ="Tipo Cáncer", y = "Superviviencia (días)") +
theme_minimal()+
#scale_fill_brewer(palette="RdBu")+
theme(plot.title = element_text(size=16, color='Darkblue', face='bold', hjust = 0.5))
El gráfico de supervivencia en función del tipo de cáncer que la supervivencia media esperada en pacientes con PAAD es inferior a la observada en otros tipos de cáncer, lo cual concuerda con la literatura de pacientes con adenocarcinoma ductal de páncreas (PDAC). Singh et. al (https://doi.org/10.5114/pg.2024.141834) señalan que los pacientes con PDAC presentan el peor pronóstico, con una tasa de supervivencia a cinco años que apenas alcanza el 12–13 %. Y que en cambio, otros tipos de cáncer gastrointestinal como el colorrectal, presentan un pronóstico más favorable, en parte gracias a los programas de detección precoz y al desarrollo de terapias más específicas y eficaces.
Para identificar diferencias estadísticamente significativas entre tipos de cáncer y el tiempo de superviviencia de pacientes, se implementan a continuación las siguientes pruebas: test ANOVA, validación de supuestos de normalidad de residuos del test ANOVA, test Kruskal-Wallis y análisis de supervivencia Kaplan-Mier.
Test ANOVA
A continuación, se implementará un test ANOVA asumiendo normalidad, posteriormente se evaluará la normalidad de los residuos del modelo con el propósito de analizar si hay diferencias estadísticamente significativas entre tipos de cáncer.
# Eliminar NAs en variables de interés y crear un nuevo dataframe
df_anova <- df_gastro[!is.na(df_gastro$os_time) & !is.na(df_gastro$cancer_type), ]
# Implementar test ANOVA variables os_time y cancer_type
modelo_anova <- aov(os_time ~ cancer_type, data = df_anova)
summary(modelo_anova)## Df Sum Sq Mean Sq F value Pr(>F)
## cancer_type 4 17419280 4354820 10.36 3.12e-08 ***
## Residuals 1052 442183622 420327
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1De los resultados observamos que el valor-p es 3.12e-08 (\(p < 0.05\)), lo que indica que hay diferencias significativas entre al menos dos grupos. Además, el F-value es 10.36 (> 1), cuanto mayor sea este valor, mayor evidencia tenemos de diferencias significativas entre grupos. Dado que el ANOVA es significativo, a continuación identificaremos los grupos qué difieren entre sí con la prueba post-hoc TukeyHSD.
# Aplicar test TukeyHSD
TukeyHSD(modelo_anova)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = os_time ~ cancer_type, data = df_anova)
##
## $cancer_type
## diff lwr upr p adj
## COAD-CHOL 139.08982 -161.7348 439.91445 0.7137666
## PAAD-CHOL -147.08580 -469.7097 175.53807 0.7244215
## READ-CHOL 89.86958 -235.1946 414.93381 0.9430886
## STAD-CHOL -127.06130 -430.0807 175.95811 0.7820316
## PAAD-COAD -286.17562 -457.6440 -114.70723 0.0000559
## READ-COAD -49.22024 -225.2373 126.79680 0.9407864
## STAD-COAD -266.15112 -397.0557 -135.24654 0.0000003
## READ-PAAD 236.95538 25.8329 448.07786 0.0188148
## STAD-PAAD 20.02450 -155.2659 195.31487 0.9979407
## STAD-READ -216.93088 -396.6732 -37.18855 0.0089008De los resultados obtenidos de la prueba post-hoc
TukeyHSD, los p-valor ajustados 0.0000003, 0.0000559,
0.0089008, y 0.0188148 (todos ellos < 0.05) muestran que la mayor
diferencia significativa está entre los grupos STAD-COAD, PAAD-COAD,
STAD-READ y READ-PAAD, respectivamente.
Validación de supuestos de normalidad de residuos del modelo
Para validar los resultados del ANOVA, verificaremos los siguientes supuestos: normalidad de residuos, homocedasticidad e independencia.
# Validar test ANOVA
plot(modelo_anova)
Normalidad
Observando la gráfica Q-Q residuals, residuos entre cuantiles (Quantile-Quantile), podemos comparar los cuantiles teóricos de una distribución normal con los cuantiles reales de los residuos del modelo. En nuestro caso, los puntos tienden a alinearse cerca de la línea diagonal, sobretodo en la parte intermedia. No obstante, hay evidencia de asimetría en la cola derecha donde se observa una curva en forma de “S”. Este comportamiento puede afectar la validez de los p-valores y las comparaciones post-hoc.
Homocedasticidad
El supuesto de homocedasticidad requiere que la varianza de los residuos sea constante para todos los valores ajustados del modelo para cada grupo. Del gráfico Scale-Location se observa que no hay una relación evidente entre los residuos y los valores ajustados (la media de cada grupo). La banda es casi horizontal y plana. Así que podemos asumir homogeneicidad de varianzas.
Algunas ideas para contestar esta pregunta fueron tomadas del post ANOVA in R sección Another method to test normality and homogeneity.
Independencia
Dado que los datos no son temporales, podemos asumir a priori que no hay autocorrelación. La independencia la asumimos por diseño.
Test Kruskal-Wallis
Si asumimos que el supuesto de normalidad no se cumple, podemos
aplicar las siguientes pruebas no parámetricas
Kruskal-Wallis y prueba post-hoc Dunn para
validar nuestros resultados.
# Aplicar test Kruskal-Wallis
kruskal.test(os_time ~ cancer_type, data = df_anova)##
## Kruskal-Wallis rank sum test
##
## data: os_time by cancer_type
## Kruskal-Wallis chi-squared = 50.438, df = 4, p-value = 2.925e-10# Aplicar post-hoc test Dunn
dunn.test(df_anova$os_time, df_anova$cancer_type, method = "bonferroni")## Kruskal-Wallis rank sum test
##
## data: x and group
## Kruskal-Wallis chi-squared = 50.4378, df = 4, p-value = 0
##
##
## Comparison of x by group
## (Bonferroni)
## Col Mean-|
## Row Mean | CHOL COAD PAAD READ
## ---------+--------------------------------------------
## COAD | -0.670817
## | 1.0000
## |
## PAAD | 1.809028 4.580635
## | 0.3522 0.0000*
## |
## READ | -0.718359 -0.180178 -3.870495
## | 1.0000 1.0000 0.0005*
## |
## STAD | 1.892153 5.921548 -0.058624 4.489049
## | 0.2924 0.0000* 1.0000 0.0000*
##
## alpha = 0.05
## Reject Ho if p <= alpha/2Las pruebas no paramétricas efectuadas confirman que los siguientes grupos tienen diferencias estadísticamente significativas: PAAD-COAD, READ-PAAD, STAD-COAD, y STAD-READ.
Estudios de supervivencia (Kaplan-Meier)
# Implementar Kaplan-Meier por tipo de cancer
# Crear objeto de supervivencia
survival_obj <- Surv(time = df_gastro$os_time, event=df_gastro$os_event)
# Ajustar el model Kaplan-Meier por género
ajuste_cancer_type <- survfit(survival_obj ~ cancer_type, type="kaplan-meier", data=df_gastro)
# Para evitar nombres arbitrarios para el tipo de cáncer necesitamos utilizar los nombres de grupo que figuran en los datos
nombres_tipos <- names(ajuste_cancer_type$strata)
# Visualizar gráfico
plot(ajuste_cancer_type, ylab = "Probabilidad", xlab='Tiempo (días)',
mark.time = TRUE, col = hue_pal ()(length(nombres_tipos)), main= "Supervivencia en Función del Tipo de Cancer")
legend("bottomleft", legend = nombres_tipos,
fill = hue_pal ()(length(nombres_tipos)), bty = "n")
# Comparamos la supervivencia entre categorías de tipo de cancer
comparar_cancer_type<- survdiff(survival_obj ~ cancer_type, data=df_gastro)
comparar_cancer_type## Call:
## survdiff(formula = survival_obj ~ cancer_type, data = df_gastro)
##
## n=1057, 251 observations deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## cancer_type=CHOL 38 20 8.76 14.4 15.01
## cancer_type=COAD 397 57 101.75 19.7 34.75
## cancer_type=PAAD 146 66 28.17 50.8 57.88
## cancer_type=READ 136 9 33.79 18.2 21.23
## cancer_type=STAD 340 87 66.53 6.3 8.79
##
## Chisq= 111 on 4 degrees of freedom, p= <2e-16Los resultados obtenidos por las pruebas de supervivencia Kaplan-Mier muestran también diferencias significativas en la supervivencia según el tipo de cáncer gastrointestinal, con un valor de Chi-cuadrado de 111, 4 grados de libertad y un valor p inferior a 2e-16.
Tal como se ha señalado previamente en la literatura, los pacientes con adenocarcinoma de páncreas (PAAC) y colangiocarcinoma presentan los peores pronósticos. En nuestro análisis, hemos confirmado que los pacientes con cáncer de páncreas y vías biliares presentan un número de fallecimientos claramente superior al esperado, lo que refleja una supervivencia global significativamente más baja en comparación con otros tipos tumorales como el cáncer de colon o recto.
Pregunta 3: ¿Qué diferencias en supervivencia se observan según el género y la edad de los pacientes?
Antes de implementar el análisis de supervivencia por edades, es
recomendable realizar la categorización de la variable
age_at_initial_pathologic_diagnosis procurando una
repartición equilibrada entre grupos.
# Categorizar la variable age_at_initial_pathologic_diagnosis
df_gastro$age_category <- cut(df_gastro$age_at_initial_pathologic_diagnosis,
breaks = c(-Inf,59,69,79,Inf),
labels = c("Personas_60-","Personas_60","Personas_70","Personas_80+"),
include.lowest = FALSE)
# Verificar distribución de categorias
table(df_gastro$age_category)##
## Personas_60- Personas_60 Personas_70 Personas_80+
## 368 363 368 153# Distribucion de edades de pacientes por género
ggplot(data=subset(df_gastro, !is.na(age_category)), aes(x= age_category, fill = gender))+
geom_bar(position = "dodge", alpha = 0.7)+
labs(title= "Distribución de edades de pacientes por género",
x= "Edad (años)",
y= "Frecuencia")+
theme(plot.title = element_text(size=16, color='Darkblue', face='bold', hjust = 0.5))
Estudios de supervivencia (Kaplan-Meier)
Los estudios de supervivencia de pacientes en función del género y la edad basados en el modelo Kaplan-Meier se muestran a continuación. Para su implementación se consultaron los siguientes recursos: Survival analysis with low-dimensional input data, Analysis of Cancer Genome Atlas in R y The R Book, 3rd Edition by Elinor Jones, Simon Harden, Michael J. Crawley, cap. 15 Survial Analysis.
# Implementar Kaplan-Meier por género
# Crear objeto de supervivencia
survival_obj <- Surv(time = df_gastro$os_time, event=df_gastro$os_event)
# Ajustar el model Kaplan-Meier por género
ajuste_genero <- survfit(survival_obj ~ gender, type="kaplan-meier", data=df_gastro)
# Visualizar gráfico
plot(ajuste_genero, ylab = "Probabilidad", xlab='Tiempo (días)',
mark.time = TRUE, col = hue_pal ()(2)[1:2], main= "Supervivencia en Función del Género")
legend("bottomleft", legend = c("Female", "Male"),
fill = hue_pal ()(2)[1:2], bty = "n")
# Comparamos la supervivencia entre géneros
comparar_generos <- survdiff(survival_obj ~ gender, data=df_gastro)
comparar_generos## Call:
## survdiff(formula = survival_obj ~ gender, data = df_gastro)
##
## n=1057, 251 observations deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## gender=FEMALE 433 86 102 2.54 4.44
## gender=MALE 624 153 137 1.89 4.44
##
## Chisq= 4.4 on 1 degrees of freedom, p= 0.04En relación a la supervivencia y el género, en el gráfico de Kaplan-Meier, la curva correspondiente a las mujeres alcanza un valor estable de aproximadamente 0.65 a los 1.800 días, lo que indica que alrededor del 65% de ellas sobreviven más allá de ese tiempo. En contraste, la curva de los hombres muestra una caída más prolongada, estabilizándose temporalmente en distintos puntos, y descendiendo hasta aproximadamente 0.35 a los 3.000 días. Esto implica que solo el 35% de los hombres alcanzan ese umbral temporal de supervivencia. El test de log-rank (Chi² = 4.4, p = 0.04) respalda esta inspección visual, donde las diferencias observadas son estadísticamente significativas. Las mujeres tienen menos eventos (muertes) de los esperados, lo que sugiere una mejor evolución clínica en comparación con los hombres.
# Implementar Kaplan-Meier por edad
# Ajustar el model Kaplan-Meier por edad
ajuste_edad <- survfit(survival_obj ~ age_category, type="kaplan-meier", data=df_gastro)
# Visualizar gráfico
plot(ajuste_edad, ylab = "Probabilidad", xlab='Tiempo (días)',
mark.time = TRUE, col = hue_pal ()(4)[1:4], main= "Superviviencia en Función de la Edad")
legend("bottomleft", legend = c("Personas_60-","Personas_60","Personas_70","Personas_80+"),
fill = hue_pal ()(4)[1:4], bty = "n")
# Comparamos la supervivencia entre categorías de edades
comparar_edades <- survdiff(survival_obj ~ age_category, data=df_gastro)
comparar_edades## Call:
## survdiff(formula = survival_obj ~ age_category, data = df_gastro)
##
## n=1016, 292 observations deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## age_category=Personas_60- 311 51 70.2 5.268 7.789
## age_category=Personas_60 298 58 64.7 0.695 0.989
## age_category=Personas_70 298 78 65.3 2.482 3.540
## age_category=Personas_80+ 109 32 18.8 9.290 10.197
##
## Chisq= 17.8 on 3 degrees of freedom, p= 5e-04En relación a la supervivencia y la edad, en el gráfico de Kaplan-Meier, los grupos más jóvenes mantienen curvas de supervivencia más altas y sostenidas a lo largo del tiempo, mientras que las curvas de los mayores de 70 y 80 años muestran un descenso más pronunciado. El test de log-rank (Chi² = 17.8, gl = 3, p = 0.0005) confirma que entre los grupos etarios existen diferencias estadísticamente significativas. En particular, se observa que el grupo de mayores de 80 años tiene una mortalidad observada notablemente más alta que la esperada (32 observados vs 18.8 esperados). Por el contrario, el grupo de personas menores de 60 años presenta una mortalidad observada más baja que la esperada (51 vs 70.2), indicando una mejor supervivencia relativa.
Pregunta 4: ¿Cuál es el impacto de la invasión venosa, linfática o perineural sobre la supervivencia?
# Reorganizar los datos
df_long <- df_gastro %>%
select(os_time, perineural_invasion_present, venous_invasion, lymphatic_invasion) %>%
pivot_longer(
cols = c(perineural_invasion_present, venous_invasion, lymphatic_invasion),
names_to = "tipo_invasion",
values_to = "presencia"
) %>%
filter(!is.na(presencia))
# Crear el gráfico combinado
ggplot(df_long, aes(x = presencia, y = os_time, fill = presencia)) +
geom_boxplot(color = "black") +
facet_wrap(~ tipo_invasion, scales = "free_x") +
labs(
title = "Supervivencia según tipo de invasión tumoral",
x = "Presencia de invasión",
y = "Supervivencia (días)"
) +
theme_minimal() +
theme(
plot.title = element_text(size = 16, color = 'Darkblue', face = 'bold', hjust = 0.5)
)## Warning: Removed 195 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
Estudios de supervivencia (Kaplan-Meier)
# Implementar Kaplan-Meier invásion venosa
# Crear objeto de supervivencia
survival_obj <- Surv(time = df_gastro$os_time, event=df_gastro$os_event)
# Ajustar el model Kaplan-Meier por género
ajuste_invasion_venosa<- survfit(survival_obj ~ venous_invasion, type="kaplan-meier", data=df_gastro)
# Visualizar gráfico
plot(ajuste_invasion_venosa, ylab = "Probabilidad", xlab='Tiempo (días)',
mark.time = TRUE, col = hue_pal ()(2)[1:2], main= "Supervivencia en función de la invásion venosa")
legend("bottomleft", legend = c("Present", "Absent"),
fill = hue_pal ()(2)[1:2], bty = "n")
# Comparamos la supervivencia entre pacientes con o sin invásion
comparar_invasion_venosa <- survdiff(survival_obj ~ venous_invasion, data=df_gastro)
comparar_invasion_venosa## Call:
## survdiff(formula = survival_obj ~ venous_invasion, data = df_gastro)
##
## n=467, 841 observations deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## venous_invasion=NO 361 29 42.1 4.08 20
## venous_invasion=YES 106 24 10.9 15.77 20
##
## Chisq= 20 on 1 degrees of freedom, p= 8e-06# Implementar Kaplan-Meier invasion perineural
# Crear objeto de supervivencia
survival_obj <- Surv(time = df_gastro$os_time, event=df_gastro$os_event)
# Ajustar el model Kaplan-Meier por género
ajuste_invasion_perineural<- survfit(survival_obj ~ perineural_invasion_present, type="kaplan-meier", data=df_gastro)
# Visualizar gráfico
plot(ajuste_invasion_perineural, ylab = "Probabilidad", xlab='Tiempo (días)',
mark.time = TRUE, col = hue_pal ()(2)[1:2], main= "Supervivencia en Función de la Invasión perineural")
legend("bottomleft", legend = c("Present", "Absent"),
fill = hue_pal ()(2)[1:2], bty = "n")
# Comparamos la supervivencia entre los pacientes con y sin invasión perineural
comparar_invasion_perineural <- survdiff(survival_obj ~ perineural_invasion_present, data=df_gastro)
comparar_invasion_perineural## Call:
## survdiff(formula = survival_obj ~ perineural_invasion_present,
## data = df_gastro)
##
## n=247, 1061 observations deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## perineural_invasion_present=NO 182 25 31.74 1.43 6.43
## perineural_invasion_present=YES 65 16 9.26 4.91 6.43
##
## Chisq= 6.4 on 1 degrees of freedom, p= 0.01# Implementar Kaplan-Meier Invasión linfática
# Crear objeto de supervivencia
survival_obj <- Surv(time = df_gastro$os_time, event=df_gastro$os_event)
# Ajustar el model Kaplan-Meier por género
ajuste_invasion_linfatica<- survfit(survival_obj ~ lymphatic_invasion, type="kaplan-meier", data=df_gastro)
# Visualizar gráfico
plot(ajuste_invasion_linfatica, ylab = "Probabilidad", xlab='Tiempo (días)',
mark.time = TRUE, col = hue_pal ()(2)[1:2], main= "Supervivencia en Función de la Invasión Linfática")
legend("bottomleft", legend = c("Present", "Absent"),
fill = hue_pal ()(2)[1:2], bty = "n")
# Comparamos la supervivencia entre los pacientes con y sin invasión perineural
comparar_invasion_linfatica <- survdiff(survival_obj ~ lymphatic_invasion, data=df_gastro)
comparar_invasion_linfatica## Call:
## survdiff(formula = survival_obj ~ lymphatic_invasion, data = df_gastro)
##
## n=483, 825 observations deleted due to missingness.
##
## N Observed Expected (O-E)^2/E (O-E)^2/V
## lymphatic_invasion=NO 305 25 36 3.37 10.3
## lymphatic_invasion=YES 178 29 18 6.75 10.3
##
## Chisq= 10.3 on 1 degrees of freedom, p= 0.001El análisis de supervivencia según variables histopatológicas reveló diferencias significativas asociadas a la presencia de invasión venosa, linfática y perineural. Estas tres características son conocidas por reflejar una mayor agresividad tumoral, y nuestros resultados lo confirmaron estadísticamente.
En primer lugar, la invasión venosa mostró una asociación altamente significativa con la supervivencia (Chi-cuadrado = 20, p = 8e-06), con un número de fallecimientos muy superior al esperado en pacientes con invasión positiva. De forma similar, la invasión linfática también se relacionó con peor pronóstico (Chi-cuadrado = 10,3, p = 0,001), al observarse una mayor mortalidad en el grupo con invasión.
Por último, la invasión perineural se asoció de forma significativa con una reducción en la supervivencia (Chi-cuadrado = 6,4, p = 0,01), aunque con una cohorte más limitada en tamaño.
Estos resultados respaldan el valor clínico de estas variables como posibles marcadores pronósticos negativos en pacientes con cáncer gastrointestinal. Además, resaltan la importancia de incorporarlas en la estratificación del riesgo y en la toma de decisiones terapéuticas.
3.2 Función personalizada y ejercicios de probabilidad
3.2.1 Función personalizada
El IMC (Índice de Masa Corporal) es un indicador ampliamente utilizado en oncología para evaluar riesgo metabólico, pronóstico y respuesta a tratamientos, conforme al punto de vista del grupo IARC en su reporte Body Fatness and Cancer — Viewpoint of the IARC Working Group. El IMC al momento del diagnóstico puede reflejar comorbilidades (diabetes, hipertensión) que pueden influir en la progresión del cáncer. Es por esto que hemos incluido el IMC como una variable clave para la estratificación de pacientes tomando como referencia las categorías propuestas por el NIH. Para más detalles, consultar Obsedidad y Cáncer.
# Función para calcular el IMC de un paciente
calcular_imc <- function(peso, altura){
imc <- peso / (altura/100)^2
return (imc)
}
# calcular_imc <- function(peso, altura){
# tryCatch(
# {
# # Convertir en valores numéricos por default
# #peso <- as.numeric(peso)
# #altura <- as.numeric(altura)
#
# # Validar rango de valores de entrada.
# if(altura <= 0.0){
# stop("Error: La variable altura no debe ser negativa o cero")
# }
#
# imc <- peso / (altura^2)
# return(imc)
# },
# error = function(e){
# message("Error en el cálculo: ", e$message)
# return(NA)
# }
# )
# }
# Crear la variable imc_at_initial_pathologic_diagnosis
df_gastro$imc <- calcular_imc(df_gastro$weight, df_gastro$height)
# Categorizar la variable imc según las categorías propuestas por NIH
df_gastro$imc_category <- cut(df_gastro$imc,
breaks = c(-Inf,18.5,25.0,30.0,Inf),
labels = c("Bajo_Peso","Normal","Sobrepeso","Obesidad"),
include.lowest = FALSE)
# Verificar distribución de categorias
table(df_gastro$imc_category)##
## Bajo_Peso Normal Sobrepeso Obesidad
## 6 108 138 99# Distribucion de IMC de pacientes por género
ggplot(data=subset(df_gastro, !is.na(imc_category)), aes(x= imc_category, fill = gender))+
geom_bar(position = "dodge", alpha = 0.7)+
labs(title= "Distribución de IMC de pacientes por género",
x= "Edad (años)",
y= "Frecuencia")+
theme(plot.title = element_text(size=16, color='Darkblue', face='bold', hjust = 0.5))
3.2.2 Ejercicios de probabilidad
Esta sección propone tres problemas de probabilidad relacionados al dataset TCGA.
Ejercicio A
En el dataset TCGA personalizado (df_gastro), aproximadamente el
14.15% de los pacientes tienen cáncer de páncreas, esto conforme a la
variable cancer_type. Si tomamos una muestra aleatoria de
100 pacientes:
¿Cuál es la probabilidad de que exactamente 5 pacientes tengan cáncer de páncreas?
¿Cuál es la probabilidad de que a lo más 10 pacientes tengan cáncer de páncreas?
# Verificar distribución de categorias por tipo de cáncer
frecuencias <- table(df_gastro$cancer_type)
frecuencias##
## CHOL COAD PAAD READ STAD
## 1 48 459 185 171 443# Verificar porcentaje de distribución de categorías por tipo de cáncer
# porcentajes <- prop.table(frecuencias) * 100
porcentajes <- round(prop.table(frecuencias) * 100, 2)
porcentajes##
## CHOL COAD PAAD READ STAD
## 0.08 3.67 35.12 14.15 13.08 33.89# Describir datos para calcular P(X = 5)
n <- 100
p <- 0.1415
x <- 5
# Aplicar distribución binomial para P(X = 5)
paciente_5 <- dbinom(x,n,p)
print(paste("La probabilidad de que exactamente 5 pacientes tengan cáncer de páncreas es:",
round(paciente_5,4)*100,"%"))## [1] "La probabilidad de que exactamente 5 pacientes tengan cáncer de páncreas es: 0.22 %"# Describir datos para calcular P(X <= 10)
n <- 100
p <- 0.1415
x <- 10
# Aplicar distribución binomial para P(X <= 10)
paciente_10 <- pbinom(x, n, p)
print(paste("La probabilidad de que un máximo de 10 pacientes tengan cáncer de páncreas es:",
round(paciente_10, 4)*100,"%"))## [1] "La probabilidad de que un máximo de 10 pacientes tengan cáncer de páncreas es: 14.62 %"Ejercicio B
De los pacientes con invasión perineural ¿cuál es la probabilidad de que estos pacientes tengan un estadio patológico avanzado, igual o superior a tipo III?
Este es un problema de probabilidad condicional donde se nos pide: P(Estadio >= III | Invasión perineural = YES)
# Visualizar variables categóricas de interés
print("Distribución de categorías para la variable perineural_invasion_present")## [1] "Distribución de categorías para la variable perineural_invasion_present"table(df_gastro$perineural_invasion_present)##
## NO YES
## 1 206 71print("Distribución de categorías para la variable stage_event_pathologic_stage")## [1] "Distribución de categorías para la variable stage_event_pathologic_stage"table(df_gastro$stage_event_pathologic_stage)##
## I IA IB II IIA IIB IIC III IIIA IIIB IIIC IV IVA IVB
## 1 131 22 56 82 248 193 2 36 94 149 93 115 27 7# Eliminar NAs en variables de interés y crear un nuevo dataframe
df_estate_peri <- df_gastro[!is.na(df_gastro$perineural_invasion_present) &
!is.na(df_gastro$stage_event_pathologic_stage), ]Para estudiar la relación entre los grupos de variables categóricas, el siguiente paso es construir una tabla de contingencia de dimensión 14 x 2, donde se mostrarán los conteos para cada combinación invasion_perineural–estadio, resultando en 28 frecuencias observadas.
# Crear tabla de contingencia
tabla_conti <- table(df_estate_peri$perineural_invasion_present,
df_estate_peri$stage_event_pathologic_stage)
print("Tabla de contingencia de variables categóricas")## [1] "Tabla de contingencia de variables categóricas"tabla_conti##
## I IA IB II IIA IIB IIC III IIIA IIIB IIIC IV IVA IVB
## 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
## NO 0 53 1 0 9 52 4 1 7 9 31 14 6 10 4
## YES 0 8 0 0 4 13 5 0 1 0 13 4 10 6 3# Calcular proporciones para cada grupo de pacientes con invasión perineural
prop_conti <- prop.table(tabla_conti, margin = 1) # margin = 1 obtiene proporciones por fila
print("Tabla de proporciones")## [1] "Tabla de proporciones"prop_conti##
## I IA IB II IIA
## 1.000000000 0.000000000 0.000000000 0.000000000 0.000000000 0.000000000
## NO 0.000000000 0.263681592 0.004975124 0.000000000 0.044776119 0.258706468
## YES 0.000000000 0.119402985 0.000000000 0.000000000 0.059701493 0.194029851
##
## IIB IIC III IIIA IIIB IIIC
## 0.000000000 0.000000000 0.000000000 0.000000000 0.000000000 0.000000000
## NO 0.019900498 0.004975124 0.034825871 0.044776119 0.154228856 0.069651741
## YES 0.074626866 0.000000000 0.014925373 0.000000000 0.194029851 0.059701493
##
## IV IVA IVB
## 0.000000000 0.000000000 0.000000000
## NO 0.029850746 0.049751244 0.019900498
## YES 0.149253731 0.089552239 0.044776119# Obtener la proporción solo para el grupo con invasión perineural = 'YES' y estadios > III
print("Tabla de proporciones para pacientes con invasión perineural = 'YES' y estadios > III")## [1] "Tabla de proporciones para pacientes con invasión perineural = 'YES' y estadios > III"prop_conti["YES", c("III", "IIIA", "IIIB", "IIIC", "IV", "IVA", "IVB")]## III IIIA IIIB IIIC IV IVA IVB
## 0.01492537 0.00000000 0.19402985 0.05970149 0.14925373 0.08955224 0.04477612# Obtener la probabilidad total conjunta
prob_conjunta <- sum(prop_conti["YES", c("III", "IIIA", "IIIB", "IIIC", "IV", "IVA", "IVB")])
paste("Probabilidad estadio igual o superior a tipo III:", round(prob_conjunta, 4)*100,"%")## [1] "Probabilidad estadio igual o superior a tipo III: 55.22 %"Ejercicio C
La edad media al diagnóstico es de 65.85 años con una desviación estándar de 11.88 años. Suponiendo una distribución normal, ¿cuál es la probabilidad de que un paciente tenga entre 60 y 70 años?
En este problema utilizaremos la distribución normal para obtener P(60 < X < 70)
# Describir datos para obtener P(60 < X < 70)
media <- mean(df_gastro$age_at_initial_pathologic_diagnosis, na.rm = TRUE)
sigma <- sd(df_gastro$age_at_initial_pathologic_diagnosis, na.rm = TRUE)
x1 <- 60
x2 <- 70
# Aplicar distribución normal para obtener la probabilidad P(60 < X < 70)
menor_a_70 <- pnorm(x2, media, sigma)
menor_a_60 <- pnorm(x1, media, sigma)
entre_70_60 <- menor_a_70 - menor_a_60
print(paste("La probabilidad de que un paciente tenga entre 60 y 70 años es:",
round(entre_70_60, 4)*100,"%"))## [1] "La probabilidad de que un paciente tenga entre 60 y 70 años es: 32.55 %"Sección 4: Modelos de aprendizaje automático
Dado que nuestro objetivo es identificar factores asociados a la
supervivencia de pacientes oncológicos, optamos por aplicar modelos de
aprendizaje supervisado, ya que contamos con una variable dependiente
bien definida: la supervivencia global (os_event).
Entrenamos un modelo de aprendizaje supervisado utilizando Support Vector Machine (SVM). Para ello, seleccionamos un subconjunto de variables clínicas incluyendo edad al diagnóstico, género, tipo de tumor residual, estadio patológico, número de ganglios positivos, tipo de cáncer y presencia de invasión venosa, linfática o perineural.
Modelo supervisado (SVG)
# Filtramos filas sin valores NA en variables clave
model_df_supervised <- na.omit(df_gastro[, c("age_at_initial_pathologic_diagnosis",
"gender", "residual_tumor", "stage_event_pathologic_stage",
"number_of_lymphnodes_positive_by_he",
"cancer_type",
"venous_invasion", "lymphatic_invasion",
"perineural_invasion_present",
"os_event")])
# Convertimos os_event en factor (para clasificación)
model_df_supervised$os_event <- as.factor(model_df_supervised$os_event)
# Dividimos el conjunto de datos en entrenamiento y prueba
set.seed(123) # Para reproducibilidad
indices_entrenamiento <- sample(1:nrow(model_df_supervised), 0.5 * nrow(model_df_supervised))
conjunto_entrenamiento <- model_df_supervised[indices_entrenamiento, ]
conjunto_prueba <- model_df_supervised[-indices_entrenamiento, ]
# Cargamos el paquete "kernlab" para SVM
library(kernlab)## Warning: package 'kernlab' was built under R version 4.4.1##
## Attaching package: 'kernlab'## The following object is masked from 'package:ggplot2':
##
## alpha## The following object is masked from 'package:scales':
##
## alpha# Entrenamos un modelo SVM
modelo_svm <- ksvm(os_event ~ ., data = conjunto_entrenamiento, kernel = "rbfdot", type = "C-svc") #indicamos que el objetivo es clasificacion
# Realizar predicciones en el conjunto de prueba
predicciones <- predict(modelo_svm, newdata = conjunto_prueba)
# Calcular la matriz de confusión
confusion_matriz <- table(Real = conjunto_prueba$os_event, Predicción =
predicciones)
# Calcular la precisión
precision <- sum(diag(confusion_matriz)) / sum(confusion_matriz)
cat("Precisión del modelo SVM:", precision, "\n")## Precisión del modelo SVM: 0.9354839# Mostrar la matriz de confusión
confusion_matriz## Predicción
## Real 0 1
## 0 87 0
## 1 6 0Preprocesamiento del conjunto de datos
Se filtraron las filas que presentaban valores NA en las variables
seleccionadas. Además, se convirtió la variable os_event en
un factor para permitir la clasificación. El conjunto resultante fue
dividido aleatoriamente en dos subconjuntos: entrenamiento (50%) y
prueba (50%).
Entrenamiento del modelo
Se utilizó la función ksvm() del paquete
kernlab para entrenar un modelo SVM con kernel radial
rbfdot. El modelo se ajustó utilizando los datos de
entrenamiento y luego se evaluó su rendimiento sobre el conjunto de
prueba.
Resultados
El modelo alcanzó una precisión del 93.5% en el conjunto de prueba. No obstante, la matriz de confusión revela que el modelo no logró clasificar correctamente a ningún paciente fallecido: todos los pacientes que murieron fueron clasificados como vivos. Esto indica que el modelo tiene un sesgo hacia la clase mayoritaria (pacientes vivos), probablemente debido a un fuerte desbalance en la distribución de los pacientes vivos/fallecidos. En otras palabras, aunque el modelo parece preciso en términos generales, su capacidad para detectar pacientes con peor pronóstico es nula. Para corregir este desbalance, haría falta añadir mas pacientes con peor pronóstico.
Modelo no supervisado PCA
En esta parte del trabajo usamos un modelo de aprendizaje no supervisado para explorar si los datos clínicos de los pacientes muestran algún patrón o agrupación natural, sin necesidad de decirle al modelo qué tiene que predecir. Para eso usamos un Análisis de Componentes Principales (PCA).
# # Filtramos filas sin valores NA en variables clave
model_df_unsupervised <- na.omit(df_gastro[, c("age_at_initial_pathologic_diagnosis",
"gender", "residual_tumor", "stage_event_pathologic_stage",
"number_of_lymphnodes_positive_by_he",
"cancer_type",
"venous_invasion", "lymphatic_invasion",
"perineural_invasion_present")])
# Transformamos las variables categoricas en numericas
# Ref. "The model.matrix function" The R Book page 255
df_numeric <- model.matrix(~ gender + age_at_initial_pathologic_diagnosis +
residual_tumor +
number_of_lymphnodes_positive_by_he +
venous_invasion +
lymphatic_invasion +
perineural_invasion_present +
stage_event_pathologic_stage - 1, data = model_df_unsupervised)
# Aplicamos PCA
pca_resultado <- prcomp(df_numeric, center = TRUE)
# Resumen de la varianza explicada por cada variable
summary(pca_resultado)## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 12.855 4.6032 0.81452 0.7006 0.52639 0.48330 0.43598
## Proportion of Variance 0.875 0.1122 0.00351 0.0026 0.00147 0.00124 0.00101
## Cumulative Proportion 0.875 0.9872 0.99070 0.9933 0.99477 0.99600 0.99701
## PC8 PC9 PC10 PC11 PC12 PC13 PC14
## Standard deviation 0.41054 0.29120 0.28441 0.2380 0.22723 0.1941 0.15327
## Proportion of Variance 0.00089 0.00045 0.00043 0.0003 0.00027 0.0002 0.00012
## Cumulative Proportion 0.99790 0.99835 0.99878 0.9991 0.99935 0.9996 0.99968
## PC15 PC16 PC17 PC18 PC19 PC20
## Standard deviation 0.14545 0.11274 0.10065 0.07723 0.07598 0.07337
## Proportion of Variance 0.00011 0.00007 0.00005 0.00003 0.00003 0.00003
## Cumulative Proportion 0.99979 0.99986 0.99991 0.99994 0.99997 1.00000
## PC21 PC22 PC23 PC24 PC25
## Standard deviation 9.744e-16 8.971e-16 8.971e-16 8.971e-16 8.971e-16
## Proportion of Variance 0.000e+00 0.000e+00 0.000e+00 0.000e+00 0.000e+00
## Cumulative Proportion 1.000e+00 1.000e+00 1.000e+00 1.000e+00 1.000e+00
## PC26 PC27 PC28 PC29
## Standard deviation 8.971e-16 8.971e-16 8.971e-16 8.112e-16
## Proportion of Variance 0.000e+00 0.000e+00 0.000e+00 0.000e+00
## Cumulative Proportion 1.000e+00 1.000e+00 1.000e+00 1.000e+00# Representamos la varianza explicada por cada componente
plot(pca_resultado)
cargos <- pca_resultado$rotation
#print(cargos)Resultados PCA
El primer componente (PC1) explica el 87.5% de la varianza total del conjunto de datos, mientras que el segundo componente (PC2) añade un 11.2% adicional. En conjunto, PC1 y PC2 explican aproximadamente el 98.7% de la varianza total, lo que indica que la información principal de los datos puede resumirse eficazmente en dos dimensiones.
El análisis de las cargas (loadings) reveló que:
PC1 está fuertemente influido por la edad al diagnóstico, lo que sugiere que esta variable es la principal responsable de la variabilidad entre los pacientes.
PC2 está dominado por el número de ganglios linfáticos positivos, seguido por una menor contribución de variables relacionadas con la invasión tumoral (linfática, venosa y perineural).
# Realizamos agrupamiento jerárquico aglomerativo
dist_matrix <- dist(df_numeric)
# Aplicamos agrupamiento jerárquico aglomerativo con el método de Ward
hc_aglomerativo <- hclust(dist_matrix, method = "ward.D2")
# Reprsentamos el dendrograma
plot(hc_aglomerativo, main = "Dendrograma de Agrupamiento Jerárquico
Aglomerativo", xlab = "Pacientes")
Sección 5: Visualización con Shiny
La aplicación Shiny fue desarrollada con el objetivo de permitir un
análisis interactivo de datos clínicos de pacientes con cáncer
gastrointestinal, utilizando un archivo CSV cargado por el usuario y un
enfoque exploratorio y visual basado en el archivo .Rmd. El
archivo gastro_app.R incluye el código fuente de la
aplicación (el cual se adjunta en la entrega de la PEC4) y a
continuación se muestran algunas capturas de pantalla para visualizar su
funcionamento.
En términos generales, la aplicación incorpora transformaciones clave
sobre el dataset, incluyendo el cálculo del tiempo de supervivencia
(os_time), el evento de muerte (os_event) y el índice de masa corporal
(IMC), a partir de variables como peso y altura. Además, se generan
nuevas variables categóricas para la edad (age_category) y el IMC
(imc_category), lo que facilita el análisis comparativo entre distintos
grupos de pacientes.
La aplicación contiene un panel lateral con selectores que permiten al usuario elegir variables para tres secciones principales:
- Supervivencia según variables clínicas: Aquí se
muestra un gráfico de tipo boxplot, en el cual se representa la relación
entre una variable categórica (como tipo de cáncer o estadio tumoral) y
una variable cuantitativa (por ejemplo, tiempo de supervivencia o
edad).
- Distribución de Edades e IMC: A través de un
gráfico de barras, se analiza la distribución de frecuencias de
variables como la edad y el IMC, estratificadas por género.
- Análisis de Supervivencia Kaplan-Meier: Utilizando
la librería survival, se ajusta un modelo Kaplan-Meier para evaluar la
probabilidad de supervivencia a lo largo del tiempo, según variables
seleccionadas como género o grupo etario.
Sección 6: Conclusiones
El objetivo del proyecto fue analizar datos clínicos de pacientes con cáncer gastrointestinal obtenidos del repositorio público TCGA (The Cancer Genome Atlas), para estudiar posibles factores clínicos que influyen en la supervivencia de los pacientes. Del dataset de más de 1.300 casos: 1) Seleccionamos variables relevantes, limpiamos y trasformamos datos, 2) Creamos gráficos exploratorios y realizamos análisis estadísticos, 3) Implementamos análisis de supervivencia de Kaplan-Mier, 4) Entrenamos tanto un modelo supervisado (SVM) para predecir la supervivencia como uno no supervisado (PCA y clustering jerárquico) para explorar agrupamientos naturales entre pacientes e 5) Implementamos una aplicación en Shiny para facilitar la visualización interactiva de estos datos.
A continuación se describen los principales hallazgos del análisis del TCGA dataset. Asimismo, se discuten limitaciones y áreas de oportunidad y se cierra con un comentario sobre la experiencia del trabajo en equipo para el desarrollo de este proyecto.
Sobre los hallazgos más interesantes del análisis
Los resultados obtenidos con las pruebas paramétricas
ANOVAyTukeyHSD, así como con las pruebas no paramétricasKruskal-WallisyDunnconfirmaron que existen diferencias estadísticamente significativas entre los tipos de cáncer gastrointestinal y los días de supervivencia para los siguientes grupos: Páncreas-Colon, Páncreas-Recto, Estómago-Colon y Stomágo-Recto.Los gráficos de Kaplan-Mier mostraron que las mujeres presentan una mayor supervivencia que los hombres ya que alrededor del 65% sobreviven más allá de 1.800 días, frente a la supervivencia del 35% de los hombres a los 3.000 días. El test de log-rank (p = 0.04) confirma que estas diferencias son estadísticamente significativas, sugiriendo una evolución clínica más favorable para las mujeres.
Respecto a la edad, los pacientes más jóvenes presentan curvas de supervivencia más altas y sostenidas, mientras que las de los mayores de 70 y 80 años caen más rápido. El test de log-rank (p = 0.0005) presenta evidencia de que existen diferencias significativas entre grupos etarios. Esto es consistente con el hecho de que la edad avanzada se puede asociar a una mayor mortalidad y menor tolerancia a los tratamientos.
Finalmente al analizar la probabilidad condicional, se observó que el 55.22% de los pacientes con invasión perineural presentaban un estadio patológico avanzado (tipo III o superior) al momento del diagnóstico. Esto sugiere una fuerte asociación entre la presencia de invasión perineural y un mayor grado de progresión tumoral.
Sobre las limitaciones de los datos y posibles mejoras o extensiones
Una de las principales limitaciones del análisis fue la alta
proporción de datos faltantes, especialmente en variables categóricas
como venous_invasion, lymphatic_invasion y
perineural_invasion_present, así como en algunas variables
continuas como days_to_death, weight y
height. Esta situación redujo el tamaño efectivo de la
muestra. Además, dado que se trata de un estudio observacional
retrospectivo, es decir que los datos provienen de un repositorio
existente y no de un diseño experimental controlado, fue posible
identificar asociaciones, pero no establecer relaciones causales. Como
mejora, podríamos aplicar técnicas de imputación para manejar los datos
faltantes y validar los resultados con cohortes externas. Además,
algunos estudios de ésta índole también incorporan datos genómicos para
enriquecer el análisis y aportar una visión más integral de los factores
que influyen en la supervivencia.
Sobre el trabajo en equipo y valoración del proyecto
Comentario de Salomón. El trabajo en equipo con Sefora fue clave para seleccionar el dataset, gracias a su experiencia en investigación oncológica. Esto nos ayudó a definir preguntas clave sobre cómo ciertas variables clínicas podrían afectar la supervivencia de los pacientes con cáncer gastrointestinal. Disfruté mucho de este proyecto porque me permitió aterrizar conceptos teóricos de una manera práctica con un dataset real. Creo que la colaboración fue efectiva pues dividimos tareas, mantuvimos buena comunicación y revisamos mutuamente nuestro trabajo.
Comentario de Sefora. El proyecto nos permitió aplicar múltiples herramientas de análisis de datos en R y profundizar en el estudio de la supervivencia en cáncer gastrointestinal que es el tema de mi investigación en el Vall d’Hebron Instituto de Oncología. Espero poder aplicar las mismas herramientas para analizar los datos de los pacientes de mi centro y avanzar en el conocimiento de estas devastadoras enfermedades. Fue un placer trabajar con Salomon, ya que tenemos enfoques y perspectivas complementarios que nos permitieron mejorar mutuamente nuestro trabajo. Tuvimos una buena comunicación y nos repartimos las tareas a partes iguales.